1) local feature recognition
局部特征识别
1.
Research on local feature recognition techniques for concurrent design.;
面向并行设计的局部特征识别技术研究
2.
A SVMs (support vector machines) based radiation image local feature recognition algorithm was designed and developed.
针对辐射图像的特点,设计并开发了一种支持向量机(SVM)和基于离散小波变换(DWT)的局部特征识别方法。
3) Local invariant feature-based recognition
基于局部不变性特征物体识别
4) partial identification
局部识别
5) feature recognition
特征识别
1.
Focating feature recognition and locating design automation;
工件定位特征识别与定位方案自动推理算法
2.
The Status and Problems of Feature Recognition and Its Solutions;
特征识别的现状与存在的问题及解决方案
3.
Feature recognition technology study based KF;
基于KF的特征识别技术研究
6) feature identification
特征识别
1.
The approach applies statistic based and knowledge based techniques in topic feature identification.
提出了一种基于知识的内容主题识别方法 ,其中采用基于统计和规则的技术进行主题特征识别 ,利用集聚公式进行主题特征集聚分析·通过引入领域知识库 ,将基于词汇的分析技术提升到领域知识计算层面·实验结果显示主题识别平均正确率为 70 %
补充资料：汉字识别特征
汉字识别特征
Chinese character recognition features
汉·295·成败的主要因素。和一般模式特征类似，汉字识别特征可分为统计形式、结构形式和数学形式三类。汉字识别所抽取的汉字特征主要有:粗外围特征、粗网格特征、复杂指数和四边码、笔画密度特征、汉字特征点、短笔段特征、边框和局部特征、部件模板、笔画方向和轮廓特征、网格单元、笔画序列和各种数学变换特征等。这些特征在识别汉字时各有特色，互有优劣，它们可用于粗、细分类中。对汉字识别尚无系统性理论来指导特征的最佳选择，充分考虑汉字结构特点与规律以及识别系统的类型与要求来进行特征的选择是一种可取的方法。下面介绍几种国内外汉字识别系统中常用的汉字特征。 (1)粗外围特征抽取汉字四周轮廓信息作为特征，适用于粗分类。该特征抽取的过程为:先求出文字的外接框，再把PXq点阵文字分割成n只n份，n通常等于8。从文字四框各向相反边扫描，计算最初与文字笔画相碰的非文字部分的面积和全部面积之比作为一次粗外围特征Pl‘(￡=1一4n)，见图1。再将第二次与文字线相碰的非文字部分面积和全部文字面积之比作为二次粗外围特征尸2、(i二1一4n)，形成sn维的粗外围特征向量P p=(尸1一，尸12，…，PI，4，，pZI，p欢，一，pZ，4，) (1) 一次粗外围特征反映了文字轮廓特征，二次粗外围特征在某种程度上反映了文字内部结构。粗外围特征是日本学者首先提出的。首先提出的，主要用于粗分类。 (3)汉字特征点汉字由各种笔画构成，而笔画类型、数目和连接关系可以用笔画骨架线上的端点D、折点Z、歧点Q、交点J表示，见图2。汉字图形的背景(空白)部分，也包含了区别其他汉字的信息，选取若干关键背景点B作为特征，可以有效地区分同类中的其他汉字。这样，汉字特征点t由笔画特征点和背景关键点组成 t={D，Z，Q，J，B}(3) 图2汉字特征点示例 1二端点D;2.‘折点Z;3二歧点Q; 4.★交点几5.0关键背景点B 设T为汉字特征表达式，红是汉字特征点，K是特征点总数，凡是特征点类型(D、Z、Q、J、B)，八、yk是特征点在汉字点阵中相对坐标，{八}是特征点其他属性(主要是方向属性)集合，则有T={红}走=1，2，…，Ktk=(凡，几，旅，IPk})(4)┌─┐│/ ││嵘│└─┘ 图1粗外围特征 (2)粗网格特征把加框的Pxq点阵汉字划分为nXn块，n通常等于8，取每块中黑象素数对整个文字黑象素数的比为特征向量的分量，形成护维特征向量M。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条